外媒7月17日援引知情人士消息称，李飞飞首次创业成立的World Labs已完成两轮融资，投资者包括安霍创投（Andreessen Horowitz）和AI基金Radical Ventures等顶尖科技投资者。知情人士同时称，在最新一轮融资中，World Labs筹到约1亿美元，估值已超过10亿美元。
该公司致力于开发AI空间智能，旨在解决AI在三维空间感知和理解的难题。
World Labs背后不仅有硅谷顶尖风投的支持，还有李飞飞在AI领域深厚的学术和实践基础。World Labs的快速成长展示了AI技术的巨大潜力和市场对于先进AI解决方案的强烈需求。
李飞飞此行为AI领域注入了新的活力，也引领了一个全新的AI技术发展方向，即空间智能，预示着AI技术在未来的广泛应用和巨大影响力。
1 年前
Hugging Face投入1000万美元帮助小开发者迎战AI巨头 Hugging Face公司近日宣布将向小型开发商、学术界和初创企业提供价值1000万美元的共享GPU资源，以助力他们开发新的AI技术。 该公司的CEO克莱姆·德朗格表示，这一举措将帮助减少人工智能领域的集中化，让更多组织和个人能够接触和创造前沿的AI技术。 此外，公司CEO德朗格也强调了开...
1 年前
Hugging Face公司将向小型开发商、学术界和初创企业提供价值1000万美元的共享GPU资源，以助力他们开发新的AI技术。
1 年前
AI图像创建领域的新星LiblibAI成功斩获数亿元人民币融资，此次融资由明势资本、源码资本、高榕创投和金沙江创投联合领投。 成立仅一年的LiblibAI凭借其在AI图像生成技术上的创新突破和强大的市场潜力，吸引了业界的高度关注。LiblibAI致力于为专业的AI图像创作者和广大用户提供强大的创作工具和资源，目前已汇聚了近1000万专业创作者，拥有超过10万个原创模型，创造了超过2.3亿张AI图片，成为国内领先的AI图像生成平台。 融资所得将主要用于技术研发、平台构建和生态扩展，LiblibAI旨在推动创意产业的技术进步和业务创新，引领行业进入一个全新的发展阶段。 来源：AGI光年
1 年前
人工智能初创公司Anthropic与MenloVentures宣布联合设立总额为1亿美元的AI投资基金。
1 年前
中国宣布了一个新的国家支持的投资大基金，目标是促进中国半导体行业和人工智能的大发展。
1 年前
历史上的两次人工智能产业的寒冷期，对我们今天再遇春天的AI产业有什么启发意义呢？
1 年前
人工智能产业也有行业发展的一般规律，有春天也有冬天。过去的两次人工智能产业冬天，对我们今天处于春天期的人工智能产业有什么启发意义呢？
10 天前
用 OpenClaw 搭建一个本地 Agent 中枢（完整方案） 不是再做一个 ChatGPT，而是建立一个真正“可控、可组合、可扩展”的本地 AI Agent 中枢。 当越来越多团队开始意识到： 云端 LLM 成本不可控 数据隐私存在风险 单一 Agent 无法解决真实业务 “本地 Agent 中枢” 正在成为一个更现实的选择。 本文将完整讲清楚： 👉 如何用 OpenClaw 搭建一个真正可用的本地 Agent 中枢 👉 它适合谁，不适合谁 👉 与 LangGraph / CrewAI 的核心差异 什么是「本地 Agent 中枢」？ 先明确一个概念，避免误解。 ❌ 不是： 一个本地 ChatGPT 一个简单的 Prompt 管理器 ✅ 而是： 一个能够统一管理多个 Agent、模型、工具和任务流程的本地系统 一个合格的本地 Agent 中枢，至少要解决 5 件事： 多 Agent 协作（不是单轮对话） 任务调度与状态管理 模型可替换（本地 / API） 工具调用（搜索、代码、文件等） 可长期运行、可追溯 OpenClaw 的定位，正是这个“中枢层”。 为什么选择 OpenClaw？ 在进入部署前，必须先回答一个现实问题： 为什么不是 LangGraph / CrewAI / AutoGen？ 简要结论（非常重要） 框架 更适合 LangGraph 开发者写 Agent 流程 CrewAI 小规模角色协作 AutoGen 对话驱动实验 OpenClaw 长期运行的 Agent 中枢 OpenClaw 的核心优势 1️⃣ 架构清晰，不是“脚本拼装” 有明确的 Agent 管理层 有任务执行与状态机制 不是写完一次就丢的 Demo 2️⃣ 原生支持多模型策略 本地模型 云 API fallback / 优先级策略 3️⃣ 更接近“生产环境思维” 可持续运行 可复用 Agent 可演进 如果你的目标是： “做一个长期使用的 AI 中枢，而不是一段实验代码” 那 OpenClaw 是目前更合理的选择之一。 整体架构：OpenClaw 本地 Agent 中枢怎么搭？ 这是一个最小可用但可扩展的架构方案。 🧩 架构拆解 ┌─────────────────────────┐ │ 用户 / 系统 │ └──────────┬──────────────┘ │ ┌──────────▼──────────┐ │ OpenClaw 中枢层 │ │ - Agent Registry │ │ - Task Orchestrator│ │ - Memory / State │ └──────────┬──────────┘ │ ┌─────────▼─────────┐ │ Agent 集群 │ │ - Research Agent │ │ - Coding Agent │ │ - Planning Agent │ │ - Tool Agent │ └─────────┬─────────┘ │ ┌─────────▼─────────┐ │ 模型 & 工具层 │ │ - 本地 LLM │ │ - API LLM │ │ - Search / FS / DB │ └───────────────────┘ 部署准备（实战级） 1️⃣ 基础环境 推荐环境（已验证）： Linux / WSL / macOS Docker + Docker Compose Python 3.10+ 2️⃣ 模型选择建议（非常现实） 场景 推荐 本地推理 Qwen / LLaMA 稳定输出 GPT / Claude API 混合方案 本地 + API fallback 👉 关键不是模型多，而是“可切换” 核心步骤：搭建 OpenClaw 本地 Agent 中枢 Step 1：部署 OpenClaw 核心 git clone https://github.com/xxx/openclaw cd openclaw docker compose up -d 启动后，你将拥有： Agent 管理入口 任务调度服务 统一配置中心 Step 2：定义你的第一个 Agent 一个 Agent ≠ 一个 Prompt 而是一个职责明确的“角色” 示例： agent: name: research_agent role: 信息调研 model: local_llm tools: - web_search - file_reader 建议起步 Agent： Research Agent（信息收集） Planner Agent（任务拆解） Executor Agent（执行） Step 3：建立 Agent 协作流程 例如一个典型任务： “调研某行业 → 输出分析 → 给出建议” 流程是： Planner 拆解任务 Research Agent 收集信息 Executor Agent 输出结果 中枢保存状态与结果 👉 这一步，才是“中枢”的价值所在 一个真实可用的示例场景 🎯 场景：AI 工具评估中枢 你可以搭一个 Agent 中枢来做： 自动收集 AI 工具信息 对比功能 / 定价 输出结构化报告 长期更新 这类系统： 人工成本极高 用 Agent 非常合适 总结：什么时候该用 OpenClaw？ 当你意识到：AI 不再是“一次性回答”，而是“持续协作的系统” 那你就已经走在 OpenClaw 这条路上了。 OpenClaw 不是让你“更快用 AI”，而是让你“真正拥有 AI 能力”。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI